Considerações de dados para Regressão logística ordinal

Para garantir que seus resultados sejam válidos, considere as seguintes diretrizes ao coletar dados, realizar a análise, e interpretar os resultados.

Os preditores podem ser contínuos ou categóricos

A variável contínua pode ser medida e ordenada, e tem um número infinito de valores entre dois valores quaisquer. Por exemplo, os diâmetros de uma amostra de pneus representam uma variável contínua.

As variáveis categóricas contêm um número finito, contável de categorias ou grupos distintos. Os dados categóricos podem não ter uma ordem lógica. Por exemplo, os preditores categóricos incluem gênero, tipo de material e método de pagamento.

Se você tem uma variável discreta, pode decidir se quer tratá-la como um preditor contínuo ou categórico. Uma variável discreta pode ser medida e ordenada mas tem um número contável de valores. Por exemplo, o número de pessoas que vivem em uma casa é uma variável discreta. A decisão de se tratar de uma variável contínua ou discreta como categórica depende do número de níveis, bem como da finalidade da análise. Para obter mais informações, acesse O que são variáveis categóricas, discretas e contínuas?.

• Se você tiver fatores categóricos que sejam aleatórios, use Ajustar modelo de efeitos mistos. Para Ajustar modelo linear generalizado, a resposta é contínua.

A variável de resposta deve ser ordinal

Uma resposta ordinal tem três ou mais resultados que têm uma ordem, como baixo, médio e alto.

• Se a sua variável de resposta tiver duas categorias, como aprovação e reprovação, use Ajustar modelo logístico binário.
• Se a variável de resposta contém três ou mais categorias que não têm uma ordem natural, como arranhão, dente e rasgo, use Regressão logística nominal.
• Se a sua variável de resposta conta ocorrências, como o número de defeitos, use Ajustar modelo de Poisson.

Coleta de dados usando as práticas recomendadas

Para garantir que seus resultados sejam válidos, considere as seguintes diretrizes:

• Certifique-se de que os dados representem a população de interesse.
• Colete dados suficientes para proporcionar a precisão necessária.
• Meça as variáveis com o máximo rigor e precisão possível.
• Registro os dados na ordem em que são coletados.

A correlação entre os preditores, também conhecida como multicolinearidade, não deve ser grave

Se multicolinearidade for grave, você pode não ser capaz de determinar qual dos preditores deve ser incluído no modelo. Para determinar a gravidade da multicolinearidade, examine a correlação entre as variáveis preditoras. Para determinar se os preditores estão altamente correlacionados, escolha Estat > Estatísticas Básicas > Correlação.

O modelo deve fornecer um bom ajuste aos dados

Se o modelo não se ajustar aos dados, os resultados podem ser equivocados. Um modelo adequado tem as seguintes propriedades:

• Os valores de p para os testes de qualidade de ajuste são maiores do que o seu valor alfa. Esta condição indica que há provas suficientes para afirmar que o modelo não se ajusta aos dados adequadamente.
• Os valores para as medidas de associações devem atender ou exceder às suas necessidades para a capacidade preditiva do modelo.

Na saída, verifique os testes de qualidade de ajuste e as medidas de associação.